Analisis kinerja model RNN dan BILSTM untuk prediksi multitarget data automated weather observing system (AWOS)

Kondisi cuaca bandara sangat memengaruhi keselamatan dan efisiensi operasional penerbangan. Penelitian ini bertujuan menganalisis kinerja model Recurrent Neural Network (RNN) dan Bidirectional Long Short-Term Memory (BiLSTM) dalam melakukan prediksi multitarget untuk suhu, kecepatan angin, dan tekanan udara secara bersamaan. Data bersumber dari tiga stasiun Automated Weather Observing System (AWOS) di Bandara Internasional Juanda, yaitu AWOS 10, AWOS 10-28, dan AWOS 28. Tahap pra-pemrosesan meliputi pembersihan data, konversi tipe numerik, interpolasi linier untuk menangani missing value, dan normalisasi Min-MaxScaler. Penelitian mengeksperimenkan variasi window size 6, 12, 24, dan 48 jam, serta uji coba epoch 20 dan 50. Hasil pengujian menunjukkan bahwa model BiLSTM secara konsisten lebih unggul dibandingkan RNN pada seluruh skenario di ketiga lokasi. Konfigurasi terbaik diperoleh pada model BiLSTM dengan window size 48 dan epoch 50 karena mampu menangkap cakupan data historis dan siklus harian secara lebih luas. Pada AWOS 10, model terbaik menghasilkan MAE suhu 0,3813, kecepatan angin 1,4276, dan tekanan udara 0,2078. Pada AWOS 10-28, diperoleh MAE suhu 0,3767, kecepatan angin 1,5590, dan tekanan udara 0,1978. Sementara pada AWOS 28, model menghasilkan MAE suhu 0,3785, kecepatan angin 1,4046, dan tekanan udara 0,1876. Penelitian menyimpulkan bahwa arsitektur BiLSTM dengan window size 48 memiliki kemampuan generalisasi yang sangat kuat (good fit) dan efektif untuk diimplementasikan dalam sistem prediksi cuaca bandara multitarget.